| 0 |
|
Компанія AMD оголосила про зростання енергоефективності своїх рішень для штучного інтелекту в чотири рази за період з 2024 по 2026 рік. Це перевищує запланований проміжний показник (3x) та у два рази випереджає історичні темпи розвитку галузі, наближаючи компанію до стратегічної мети 2030 року.
Головна мета чипмейкера - збільшити енергоефективність масштабних систем (на рівні серверних стійок) для навчання та інференсу AI у 20 разів до 2030 року.
Стрімке зростання обчислювальних потреб AI ставить нові вимоги до інфраструктури дата-центрів. Досягнення високої продуктивності без пропорційного зростання енергоспоживання вимагає комплексного підходу: наскрізної оптимізації процесорів (CPU), графічних прискорювачів (GPU), мережевих інтерфейсів, програмного забезпечення, систем живлення та охолодження.
За оцінками AMD, досягнення цілей 2030 року дасть користувачам два ключові сценарії використання.
• Ті ж обчислення за менших ресурсів: лише дві серверні стійки AMD зразка 2030 року зможуть забезпечити продуктивність 570 стійок 2024 року, скоротивши споживання електроенергії у 20 разів, а вуглецевий слід - у 28 разів.
• Більше обчислень за того ж енергоспоживання: альтернативно, дата-центри зможуть отримувати у 20 разів більше обчислень (вимірюваних у FLOPs/Вт) у межах того самого ліміту енергоспоживання.
«Наступна хвиля ефективності штучного інтелекту залежатиме від тісної взаємної оптимізації обчислювальних чіпів, пам'яті, з'єднань, софту та дизайну серверних стійок. Чотирикратне покращення станом на 2026 рік підтверджує правильність нашої стратегії та випереджає запланований темп», - заявив Сем Наффцигер (Sam Naffziger), старший віцепрезидент та заслужений інженер AMD.
AMD підвищує продуктивність на ват внаслідок інновацій на всіх рівнях стека.
Тісна інтеграція компонентів усуває апаратні «вузькі місця» та оптимізує рух даних між CPU, GPU, пам'яттю та мережею.
Використання високошвидкісної пам'яті (HBM), збільшених кешів та швидкісних мікросхемних з'єднань скорочує зайві переміщення даних, які є однією з головних причин марнотратства енергії.
Відкрита екосистема та софтверна оптимізація дозволяють максимально ефективно використовувати апаратні ресурси як для навчання великих моделей, так і для інференсу (генерації токенів).
Підвищення енергоефективності дозволить операторам ЦОД знизити загальну вартість володіння (TCO), зменшити навантаження на мережі живлення й системи охолодження та забезпечити стійке масштабування AI-інфраструктури.
Стратегія охолодження ЦОД для епохи AI
| 0 |
|
